钠离子电池SOC/SOH 在线估计的NODE-CNN框架

摘要：面向电池储能电站的调度与安全运维，状态估计是所有上层决策的输入口。本文解读一篇 2025 年发表在《Journal of Energy Storage》(135: 118357) 的钠电状态估计研究：作者采集了 53 只 10 Ah 商用钠离子电芯与 2 个电池模块、共四种温度条件（0 ℃、25 ℃、35 ℃、45 ℃）的老化数据，构建了“神经常微分方程（NODE）＋二维卷积神经网络”框架，仅凭部分充电电压曲线片段与温度，即可同时输出 SOC、SOH与容量三项指标，SOC 判定 R²达 0.998，SOH 达 0.997，且可外推到训练温度区间以外的电芯与不同容量、不同倍率等级的模块。文中重点讨论三件事：为什么锂电的状态估计模型不能直接搬给钠电；“半截充电曲线”对运维工程的意义；以及该结果对电池储能电站 BMS 设计的启示。 正文 一、为什么钠电要重新做一遍状态估计 钠离子电池与锂离子电池工作原理相近，行业惯性做法是把锂电积累多年的 SOC/SOH 估计模型直接迁移过来。但本文作者用三条理由说明“直接迁移”不可靠：其一，Na⁺ 半径（1.90 Å）大于 Li⁺（1.67 Å），嵌入材料的体积效应更大、反应动力学更慢；其二，钠电常用的正负极材料（如层状氧化物/聚阴离子正极、硬碳负极）与锂电的石墨、正极体系结构差异明显，老化路径不同；其三，两者的电化学窗口和输运特性不同。这三点构成了“钠电状态估计必须用钠电自己的老化数据重新建模”的技术底线，也是全行业目前最大的数据短板：公开的钠电老化数据集远少于锂电。 图1｜53 只商用钠电（10 Ah）在四个温度条件下展开循环测试的容量衰减曲线，构成该研究的数据基础（图源：Journal of Energy Storage 135:118357，arXiv:2504.00393 图2）

二、半截曲线为什么会成为运维痛点 锂电文献里的 SOC/SOH 网络大多假设能得到一条完整的充电曲线。在储能电站的真实运行中，充电经常被打断：调峰指令随时切换充放方向，电价窗口内的可用充电时长不足，不同厂家PCS策略也不一样。若模型必须“等一条完整曲线”，工程上就只剩夜间低谷时段可用。该研究的关键工程设定是：把充电电压曲线切成等长片段喂给网络，先用片段级输出 SOC；对每个循环内所有片段抽取特征聚合、再拼接一个温度嵌入层，输出容量与 SOH。换句话说，模型不挑完整曲线——被打断的充电片段也能判 SOH，这与储能电站“随时可能被打断”的真实工况天然匹配。 图2｜滑窗机制：将部分充电曲线切成等长片段作为网络输入

三、模型结构：NODE 负责物理感，CNN 负责看曲线 框架由两部分组成：一是神经常微分方程（Neural ODE），用于刻画片段内电压电位随时间连续演化的动力学关系，使模型对采样间隔不敏感；二是二维卷积网络，直接在“充电压—片段”二维特征面上学习局部形态。对 SOH/容量预测，同循环所有片段特征聚合后再进入前馈层输出，作者指出这种结构避免了“多目标互相打架”的问题；温度以嵌入向量形式编码，覆盖 0–45 ℃ 的温度范围。整个输入只使用电压、电流、温度这三个 BMS 本来就在采的量，不需要 EIS 等附加测试，这是它区别于机理模型路线的显著工程优点。 图3｜NODE-CNN 模型总体架构：片段级 SOC 输出＋循环级容量/SOH 输出

四、结果：精度之外的三个运维价值点 论文给出的数字：SOC 判定 R²=0.998（容量同量级），SOH 判定 R²=0.997；模型在训练温度区间之外的单体（如 35 ℃ 档）与容量、倍率等级不同的电池模块上均取得稳定的预测表现。需要提醒读者，R² 这类指标在跨温度验证下的含义更值得关注：钠电 SOC 曲线平台不明显，传统基于平台的估计方法在多温区会衰减，而该数据驱动框架对温度外部条件显示出较好的可迁移性（图5）。 图4｜SOC、容量预测值与实测值对比（0 ℃/25 ℃/45 ℃ 各电芯） 图5｜SOH 预测与“由预测容量推算 SOH”两种口径的对比 图6｜模型从单体迁移到两个电池模块的 SOC/SOH 预测表现 对储能电站运维的三点启示： 第一，SOH 估计不必依赖放电参数，充电过程的片段数据足够；对“以充为主”的调峰型电站友好。第二，把“完整性要求”从模型里拿掉，是这类方法能上 BMS 的关键工程突破：现有 BMS 一般按毫秒-秒级采样，而完整充电曲线常常碎片化。第三，SOH 与容量两项输出同时给出，可直接接入寿命衰减成本模型。

参考文献 [1] Liu J, Li L, Xiang J, et al. Deep learning for state estimation of commercial sodium-ion batteries using partial charging profiles: Validation with a multi-temperature aging dataset. Journal of Energy Storage, 2025, 135: 118357. DOI: 10.1016/j.est.2025.118357. [2] Xiang H, Wang Y, Li K, et al. A comprehensive study on state-of-charge and state-of-health estimation of sodium-ion batteries. Journal of Energy Storage, 2023: 108314. DOI: 10.1016/j.est.2023.108314. [3] Data-driven state of health and state of safety estimation for alternative battery chemistries — A comparative review focusing on sodium-ion and LFP lithium-ion batteries. Future Batteries, 2025: 100033. DOI: 10.1016/j.fub.2025.100033. [4] State-of-Health Estimation for Lithium-Ion and Sodium-Ion Battery Cells Using Data-Driven Models and Cross-Chemistry Transfer Learning. IEEE Access, 2026. DOI: 10.1109/ACCESS.2026.3688969. [5] Application of a Transformer network based on multi-scale branches and fast Fourier gating mechanism in the state of charge prediction for sodium-ion batteries. Expert Systems with Applications, 2025. DOI: 10.1016/j.eswa.2025.127931.

插进正文任意位置